La estimación de la demanda de viajes en una ciudad es una herramienta crítica para que los planificadores urbanos comprendan los patrones de tráfico, predigan la congestión del tráfico y planifiquen con anticipación el mantenimiento y el reemplazo de la infraestructura de transporte. Durante años, los investigadores han utilizado la práctica clásica de multiplicar el número de viajes pordía por persona para diferentes grupos demográficos para modelar la demanda de viajes basada en actividades, pero debido a que este método fue desarrollado antes de la era actual de los sensores ubicuos dispositivos GPS, teléfonos inteligentes, cámaras en postes de luz y vehículos conectados, entre ellos, los investigadores hanencontró difícil validar sus estimaciones en situaciones del mundo real.
Datos mineros para analizar patrones de seguimiento, Sharon Di, profesora asistente de ingeniería civil y mecánica de ingeniería en Columbia Engineering, descubrió que puede inferir el nivel de demanda de viajes de la población en una región a partir de las trayectorias de solo una parte de los viajeros.datos recopilados del primer y más grande banco de pruebas de vehículos conectados del mundo en Ann Arbor, dirigido por el Instituto de Transporte de la Universidad de Michigan UMTRI, y analizaron los rastros móviles continuos de un año de 349 vehículos 19,130 actividades de viaje. Encontró tres grupos distintos e infiriósu demografía basada en sus patrones de viaje :
Ella y su estudiante de doctorado Zhenyu Shou luego validaron sus datos demográficos inferidos utilizando datos de encuestas de UMTRI. Sus hallazgos se describen en un estudio publicado por Investigación de transporte Parte C 18 de septiembre
"Con la popularidad de los sensores en todas partes, desde nuestros bolsillos hasta nuestros automóviles, ahora podemos rastrear a las personas en términos de a dónde van, a qué hora y qué actividad pueden realizar, esencialmente, a dónde vas para saber quién eresy viceversa ", dice Di, quien también es miembro del Data Science Institute." Lo que hemos aprendido de nuestro análisis de los datos de Michigan nos ayudará a utilizar los datos futuros recopilados de los vehículos conectados de la ciudad de Nueva York para comprender la movilidad.patrones en la ciudad y ayudan a aliviar la congestión del tráfico "
Debido a que las personas tienden a visitar los mismos lugares para actividades diarias como el trabajo, las compras y la comida, los rastros móviles diarios tienden a ser repetitivos, pero los eventos aleatorios crean desviaciones. Debido a que la mayoría de los estudios existentes usan solo un día o unos días deun subconjunto más pequeño de las huellas móviles de las personas, no capturan con precisión o por completo sus rutinas de viaje a largo plazo. Un día o dos de las huellas móviles tampoco logra capturar los atascos recurrentes.
Di cree que su estudio es el primero en usar datos de todo un año. Ella construyó un árbol de probabilidad para cada conductor para describir la frecuencia de sus rastros en un año y luego usó herramientas de minería de datos para ver hasta qué punto la similitud de-demografía podría explicar los patrones de viaje. Ella descubrió que aquellos que tienen patrones de movilidad similares probablemente pertenezcan al mismo grupo demográfico.
Su trabajo puede extenderse ya sea para inferir el perfil demográfico de un usuario desconocido o el perfil del cliente, según los patrones de actividad, o para reconstruir los patrones de actividad frecuente de un usuario desconocido basados en la demografía y los patrones similares de los viajeros. Al establecer una relación cuantitativa entre la movilidad humanaPatrones y datos demográficos, Di ha establecido una base teórica para utilizar trazas móviles individuales, que contienen una secuencia de lugares que visitan las personas, para estimar la demanda de viajes.
"El trabajo de Di y Shou demuestra la utilidad de las herramientas de ciencia de datos para descubrir patrones de movilidad humana", dice Gowtham Atluri, profesor de ciencias de la computación en la Universidad de Cincinnati, experto en minería de datos espacio-temporal que no participó en el estudio"Su marco general es innovador y destaca la necesidad de esfuerzos de colaboración entre los investigadores del transporte y la ciencia de datos".
Di está buscando ampliar una pequeña muestra de patrones de movilidad a un nivel de ciudad más grande. La ciudad de Nueva York tiene uno de los tres bancos de pruebas de vehículos conectados del Departamento de Transporte de los EE. UU. Y Di planea recolectar una gran cantidad de rastros móviles de vehículos. Una vezella tiene estos datos, generará patrones de movilidad humana utilizando la demografía de la Ciudad, obtenida fácilmente de los datos del censo nacional.
"Hay muchos más vehículos conectados en las carreteras ahora que pueden" comunicarse "entre sí y con la infraestructura de la carretera para comunicar dónde está su ubicación exacta y a qué hora", observa Di ". Nuestras trayectorias sintéticas ayudarán a la ciudadplanificadores para predecir la congestión del tráfico y gestionar activamente el tráfico ".
Fuente de la historia :
Materiales proporcionados por Escuela de Ingeniería y Ciencias Aplicadas de la Universidad de Columbia . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :